trainSSDObjectDetector

Обучите детектор объектов глубокого обучения SSD

свернуть все на странице

Синтаксис

trainedDetector = trainSSDObjectDetector(trainingData,lgraph,options)
[trainedDetector,info] = trainSSDObjectDetector(___)
trainedDetector = trainSSDObjectDetector(trainingData,checkpoint,options)
trainedDetector = trainSSDObjectDetector(trainingData,detector,options)
trainedDetector = trainSSDObjectDetector(___,Name,Value)

Описание

Обучите детектор

пример

trainedDetector = trainSSDObjectDetector(trainingData,lgraph,options) обучает один детектор мультиполя выстрела (SSD) с помощью глубокого обучения. Можно обучить детектор SSD обнаруживать несколько классов объектов.

Эта функция требует, чтобы у вас был Deep Learning Toolbox™. Рекомендуется, чтобы у вас также был Parallel Computing Toolbox™, чтобы использовать с помощью графического процессора CUDA®-enabled NVIDIA® с, вычисляют возможность 3.0 или выше.

[trainedDetector,info] = trainSSDObjectDetector(___) также возвращает информацию о процессе обучения, таком как учебная потеря и точность, для каждой итерации.

Возобновите обучение детектор

trainedDetector = trainSSDObjectDetector(trainingData,checkpoint,options) обучение резюме с контрольной точки детектора.

Подстройте детектор

trainedDetector = trainSSDObjectDetector(trainingData,detector,options) продолжает обучение детектор мультиобъекта поля SSD с дополнительными опциями подстройки. Используйте этот синтаксис с дополнительными обучающими данными или выполнять больше учебных итераций, чтобы улучшить точность детектора.

Дополнительные свойства

trainedDetector = trainSSDObjectDetector(___,Name,Value) дополнительные опции использования заданы одним или несколькими Name,Value парные аргументы и любые из предыдущих входных параметров.

Примеры

свернуть все

Этот пример использует:

Скрипт Open Live Script

Загрузите обучающие данные для обнаружения транспортного средства в рабочую область.

data = load('vehicleTrainingData.mat');

trainingData = data.vehicleTrainingData;

Задайте директорию, в которой хранятся обучающие выборки. Добавьте полный путь в имена файлов в обучающих данных. 

dataDir = fullfile(toolboxdir('vision'),'visiondata');
trainingData.imageFilename = fullfile(dataDir,trainingData.imageFilename);

Создайте datastore изображений с помощью файлов из таблицы.

imds = imageDatastore(trainingData.imageFilename);

Создайте datastore метки поля с помощью столбцов меток из таблицы.

blds = boxLabelDatastore(trainingData(:,2:end));

Объедините хранилища данных.

ds = combine(imds, blds);

Загрузите предварительно инициализированную сеть обнаружения объектов SSD.

net = load('ssdVehicleDetector.mat');
lgraph = net.lgraph
lgraph = 
  LayerGraph with properties:

         Layers: [23×1 nnet.cnn.layer.Layer]
    Connections: [24×2 table]
     InputNames: {'input'}
    OutputNames: {'focalLoss'  'anchorBoxRegression'}

Смотрите слои в сети SSD и их свойствах. Можно также создать сеть SSD путем выполнения поданных шагов, Создают Сеть Обнаружения объектов SSD. 

lgraph.Layers
ans = 
  23x1 Layer array with layers:

     1   'input'                 Image Input             300x300x3 images
     2   'conv_1'                Convolution             16 3x3 convolutions with stride [1  1] and padding [1  1  1  1]
     3   'relu_1'                ReLU                    ReLU
     4   'maxpool1'              Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     5   'conv_2'                Convolution             32 3x3 convolutions with stride [1  1] and padding [1  1  1  1]
     6   'relu_2'                ReLU                    ReLU
     7   'maxpool2'              Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     8   'conv_3'                Convolution             64 3x3 convolutions with stride [1  1] and padding [1  1  1  1]
     9   'relu_3'                ReLU                    ReLU
    10   'maxpool3'              Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    11   'conv_4'                Convolution             128 3x3 convolutions with stride [1  1] and padding [1  1  1  1]
    12   'relu_4'                ReLU                    ReLU
    13   'confmerge'             SSD Merge Layer.        SSD Merge Layer.
    14   'locmerge'              SSD Merge Layer.        SSD Merge Layer.
    15   'relu_4_anchorbox'      Anchor Box Layer.       Anchor Box Layer.
    16   'relu_4_mbox_conf'      Convolution             8 3x3x128 convolutions with stride [1  1] and padding [1  1  1  1]
    17   'relu_4_mbox_loc'       Convolution             16 3x3x128 convolutions with stride [1  1] and padding [1  1  1  1]
    18   'relu_3_anchorbox'      Anchor Box Layer.       Anchor Box Layer.
    19   'relu_3_mbox_conf'      Convolution             12 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]
    20   'relu_3_mbox_loc'       Convolution             24 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]
    21   'anchorBoxSoftmax'      Softmax                 softmax
    22   'focalLoss'             Focal Loss Layer.       Focal Loss Layer.
    23   'anchorBoxRegression'   Box Regression Output   smooth-l1 loss

Сконфигурируйте сетевые опции обучения.

options = trainingOptions('sgdm',...
          'InitialLearnRate',5e-5,...
          'MiniBatchSize',16,...
          'Verbose',true,...
          'MaxEpochs',50,...
          'Shuffle','every-epoch',...
          'VerboseFrequency',10,...
          'CheckpointPath',tempdir);

Обучите сеть SSD.

[detector,info] = trainSSDObjectDetector(ds,lgraph,options);
*************************************************************************
Training an SSD Object Detector for the following object classes:

* vehicle

Training on single GPU.
|========================================================================================|
|  Epoch  |  Iteration  |  Time Elapsed  |  Mini-batch  |  Mini-batch  |  Base Learning  |
|         |             |   (hh:mm:ss)   |     RMSE     |     Loss     |      Rate       |
|========================================================================================|
|       1 |           1 |       00:00:04 |       250.16 |        197.6 |      5.0000e-05 |
|       4 |          10 |       00:00:23 |        26.19 |         20.7 |      5.0000e-05 |
|       7 |          20 |       00:00:42 |         8.35 |          5.4 |      5.0000e-05 |
|      10 |          30 |       00:01:01 |         3.02 |          2.3 |      5.0000e-05 |
|      14 |          40 |       00:01:25 |         1.82 |          1.0 |      5.0000e-05 |
|      17 |          50 |       00:01:44 |         1.20 |          0.7 |      5.0000e-05 |
|      20 |          60 |       00:02:02 |         1.39 |          0.8 |      5.0000e-05 |
|      24 |          70 |       00:02:26 |         1.17 |          0.6 |      5.0000e-05 |
|      27 |          80 |       00:02:44 |         1.07 |          0.6 |      5.0000e-05 |
|      30 |          90 |       00:03:03 |         1.15 |          0.6 |      5.0000e-05 |
|      34 |         100 |       00:03:27 |         1.02 |          0.5 |      5.0000e-05 |
|      37 |         110 |       00:03:46 |         1.20 |          0.6 |      5.0000e-05 |
|      40 |         120 |       00:04:04 |         1.12 |          0.6 |      5.0000e-05 |
|      44 |         130 |       00:04:29 |         1.16 |          0.6 |      5.0000e-05 |
|      47 |         140 |       00:04:49 |         1.19 |          0.6 |      5.0000e-05 |
|      50 |         150 |       00:05:09 |         1.08 |          0.6 |      5.0000e-05 |
|========================================================================================|
Detector training complete.
*************************************************************************

Смотрите свойства детектора.

detector
detector = 
  ssdObjectDetector with properties:

     ModelName: 'vehicle'
       Network: [1×1 DAGNetwork]
    ClassNames: {'vehicle'  'Background'}

Можно проверить учебную точность путем осмотра учебной потери для каждой итерации.

figure
plot(info.TrainingLoss)
grid on
xlabel('Number of Iterations')
ylabel('Training Loss for Each Iteration')

Протестируйте детектор SSD на тестовом изображении.

img = imread('ssdTestDetect.png');

Запустите детектор объектов SSD на изображении для обнаружения транспортного средства.

[bboxes,scores] = detect(detector,img);

Отобразите результаты обнаружения.

if(~isempty(bboxes))
    img = insertObjectAnnotation(img,'rectangle',bboxes,scores);
end
figure
imshow(img)

Входные параметры

свернуть все

Помеченная основная истина отображает в виде datastore или таблицы.

  • Если вы используете datastore, ваши данные должны быть настроены так, чтобы, вызвав datastore с read и readall функции возвращают массив ячеек или таблицу с двумя или тремя столбцами. Когда выход содержит два столбца, первый столбец должен содержать ограничительные рамки, и второй столбец должен содержать метки, {boxes, labels}. Когда выход содержит три столбца, второй столбец должен содержать ограничительные рамки, и третий столбец должен содержать метки. В этом случае первый столбец может содержать любой тип данных. Например, первый столбец может содержать данные об облаке точек или изображения.

    databoxeslabels
    Первый столбец может содержать данные, такие как данные об облаке точек или изображения.Второй столбец должен быть массивом ячеек, который содержит M-by-5 матрицы ограничительных рамок формы [центр x, центр y, width, height, yaw]. Векторы представляют местоположение и размер ограничительных рамок для объектов в каждом изображении.Третий столбец должен быть массивом ячеек, который содержит M-by-1 категориальные векторы, содержащие имена класса объекта. Все категориальные данные, возвращенные datastore, должны содержать те же категории.

    Для получения дополнительной информации смотрите Хранилища данных для Глубокого обучения (Deep Learning Toolbox).

График слоев в виде LayerGraph объект. График слоев содержит архитектуру сети мультиполя SSD. Можно создать эту сеть при помощи ssdLayers функционируйте или создайте пользовательскую сеть. Для получения дополнительной информации смотрите Начало работы с Обнаружением Мультиполя SSD.

Ранее обученный детектор объектов SSD в виде ssdObjectDetector объект. Используйте этот синтаксис, чтобы продолжить обучение детектор с дополнительными обучающими данными или выполнить больше учебных итераций, чтобы улучшить точность детектора.

Опции обучения в виде TrainingOptionsSGDM, TrainingOptionsRMSProp, или TrainingOptionsADAM объект, возвращенный trainingOptions (Deep Learning Toolbox) функция. Чтобы задать имя решателя и другие опции для сетевого обучения, используйте trainingOptions (Deep Learning Toolbox) функция.

Примечание

Функция trainSSDObjectDetector не поддерживает эти опции обучения:

  • OutputFcn опция.

  • Входные параметры datastore не поддерживаются, когда вы устанавливаете DispatchInBackground опция обучения к true.

Сохраненная контрольная точка детектора в виде ssdObjectDetector объект. Чтобы сохранить детектор после каждой эпохи, установите 'CheckpointPath' аргумент значения имени при использовании trainingOptions функция. Рекомендуется сохранять контрольную точку после каждой эпохи, потому что сетевое обучение может занять несколько часов.

Чтобы загрузить контрольную точку для ранее обученного детектора, загрузите MAT-файл из пути контрольной точки. Например, если CheckpointPath свойство объекта задано options '/checkpath', можно загрузить MAT-файл контрольной точки при помощи этого кода.

data = load('/checkpath/ssd_checkpoint__216__2018_11_16__13_34_30.mat');
checkpoint = data.detector;

Имя MAT-файла включает номер итерации и метку времени того, когда контрольная точка детектора была сохранена. Детектор сохранен в detector переменная файла. Передайте этот файл обратно в функцию trainSSDObjectDetector:

ssdDetector = trainSSDObjectDetector(trainingData,checkpoint,options);

Выходные аргументы

свернуть все

Обученный детектор объектов SSD, возвращенный как ssdObjectDetector объект. Можно обучить детектор объектов SSD обнаруживать несколько классов объектов.

Информация о процессе обучения, возвращенная как массив структур с восемью полями. Каждое поле соответствует этапу обучения.

  • TrainingLoss — Учебная потеря в каждой итерации является среднеквадратической ошибкой (MSE), вычисленной как сумма ошибки локализации, потеря доверия и потеря классификации. Для получения дополнительной информации об учебной функции потерь, смотрите Учебную Потерю.

  • TrainingAccuracy — Точность набора обучающих данных в каждой итерации.

  • TrainingRMSE — Учебная среднеквадратическая ошибка (RMSE) является RMSE, вычисленным от учебной потери в каждой итерации.

  • BaseLearnRate — Скорость обучения в каждой итерации.

  • ValidationLoss — Потеря валидации в каждой итерации.

  • ValidationAccuracy — Точность валидации в каждой итерации.

  • ValidationRMSE — Валидация RMSE в каждой итерации.

  • FinalValidationLoss — Итоговая потеря валидации в конце обучения.

  • FinalValidationRMSE — Итоговая валидация RMSE в конце обучения.

Каждое поле является числовым вектором с одним элементом на учебную итерацию. Значения, которые не были вычислены в определенной итерации, присвоены как NaN. Struct содержит ValidationLoss, ValidationAccuracy, ValidationRMSE, FinalValidationLoss, и FinalValidationRMSE поля только, когда options задает данные о валидации.

Ссылки

[1] В. Лю, Е. Ангуелов, Д. Эрхэн, К. Сзеджеди, С. Рид, C.Fu и А.К. Берг. "SSD: один выстрел детектор MultiBox". Европейская конференция по компьютерному зрению (ECCV), Springer Verlag, 2016

Смотрите также

Приложения

Функции

Объекты

Темы

Введенный в R2020a

Документация Computer Vision Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте